Resumen Técnico: AirLift

Declaración del Problema

Los genomas de referencia son representaciones inherentemente imperfectas del individuo promedio sano de una especie debido a errores en las tecnologías de secuenciación y en los algoritmos de ensamblaje. A medida que las tecnologías de secuenciación y las herramientas de ensamblaje mejoran, los genomas de referencia se actualizan de forma incremental (por ejemplo, las actualizaciones del genoma de referencia humano de GRCh37 a GRCh38, y los recientes ensamblajes de telómero a telómero). Para garantizar la precisión de los análisis genómicos posteriores, como la detección de variantes, los conjuntos de lecturas deben mapearse al genoma de referencia más reciente.

Actualmente, el enfoque estándar es volver a ejecutar todo el pipeline de análisis, remapeando completamente todas las lecturas desde cero al nuevo genoma de referencia. Este proceso es computacionalmente costoso; por ejemplo, alinear 300 millones de lecturas cortas al genoma humano puede tomar aproximadamente 75 horas. Con el volumen de datos genómicos duplicándose cada ocho meses y la aparición de genomas de referencia altamente específicos para diversas poblaciones, la necesidad de mapear conjuntos de lecturas a múltiples referencias exacerba esta carga computacional.

Las herramientas existentes de "remapeo" (por ejemplo, UCSC LiftOver, CrossMap) intentan acelerar este proceso utilizando archivos de cadena para traducir coordenadas de una referencia antigua a una nueva basándose en regiones constantes. Sin embargo, estas herramientas sufren de tres limitaciones críticas:

1. Falta de Exhaustividad: No pueden remapear lecturas que caen dentro de regiones "retiradas" (eliminadas en la nueva referencia) o regiones "nuevas" (insertadas en la nueva referencia), lo que conduce a una pérdida significativa de cobertura genómica (por ejemplo, falta >7% de las anotaciones génicas al pasar de hg16 a hg38).
2. Inexactitud: A menudo remapean lecturas a ubicaciones en la nueva referencia que no se alinean bien con la secuencia de la lectura, particularmente cuando existen grandes inserciones en la nueva referencia, lo que resulta en tasas de error que superan los umbrales aceptables.
3. Incompatibilidad con el Análisis Posterior: Muchas herramientas producen salidas (por ejemplo, archivos BED o BAMs con cadenas CIGAR incorrectas) que son incompatibles con pipelines estándar de detección de variantes como GATK.

Metodología: AirLift

AirLift es una metodología y herramienta diseñada para proporcionar una solución de remapeo de BAM a BAM rápida, exhaustiva y precisa de extremo a extremo. Aprovecha la similitud entre dos genomas de referencia para minimizar la necesidad de un alineamiento completo mientras garantiza que todas las lecturas sean procesadas.

Conceptos Clave: Regiones del Genoma de Referencia

AirLift categoriza las regiones entre un genoma de referencia antiguo y uno nuevo en cuatro tipos:

1. Regiones Constantes: Secuencias exactamente idénticas en ambas referencias.
2. Regiones Actualizadas: Secuencias en la referencia antigua que se mapean a secuencias similares (pero no idénticas) en la nueva referencia.
3. Regiones Retiradas: Secuencias en la referencia antigua que no tienen una región correspondiente en la nueva referencia (deleciones).
4. Regiones Nuevas: Secuencias en la nueva referencia que no tienen una región correspondiente en la referencia antigua (inserciones).

El Índice AirLift

El núcleo de AirLift es un Índice AirLift preprocesado, construido mediante un proceso de ocho pasos que involucra alineamiento global y extracción de semillas. Este índice consta de dos Tablas de Búsqueda (LUT):

• LUT de Regiones Constantes: Mapea coincidencias exactas entre las referencias antigua y nueva.
• LUT de Regiones Actualizadas: Mapea coincidencias aproximadas (dentro de una tasa de error definida) entre las referencias antigua y nueva.

Crucialmente, la construcción de la LUT de Regiones Actualizadas utiliza una tasa de error conservadora de 2e (donde e es la tasa de error de alineamiento aceptable, típicamente 5%). Esto asegura que cualquier lectura que se mapee a una región actualizada en la referencia antigua con una tasa de error e encontrará una ubicación potencial correspondiente en la nueva referencia, incluso si la diferencia de secuencia entre las dos referencias es de hasta 2e.

Procedimiento de Remapeo

AirLift procesa cada lectura en un archivo BAM basándose en su ubicación de mapeo original en la referencia antigua:

1. Lecturas de Regiones Constantes: Si la lectura se mapea a una región constante, AirLift utiliza la LUT de Regiones Constantes (mediante una herramienta llamada FastRemap) para traducir instantáneamente las coordenadas a la nueva referencia. No se realiza ningún re-alineamiento.
2. Lecturas de Regiones Actualizadas: Si la lectura se mapea a una región actualizada, AirLift consulta la LUT de Regiones Actualizadas para identificar ubicaciones candidatas en la nueva referencia. Luego, realiza un alineamiento completo (utilizando BWA-MEM) solo contra estas ubicaciones candidatas específicas para encontrar la mejor coincidencia dentro del umbral de error e.
3. Lecturas de Regiones Retiradas: Si la lectura se mapea a una región retirada, se marca como no mapeada en la nueva referencia, ya que no existe ninguna secuencia correspondiente.
4. Lecturas Anteriormente No Mapeadas: Las lecturas que no estaban mapeadas en la referencia antigua se alinean completamente a las regiones Nuevas y Actualizadas de la nueva referencia utilizando un mapeador completo (BWA-MEM).

Este enfoque híbrido asegura que la gran mayoría de las lecturas (aquellas en regiones constantes) sean procesadas instantáneamente, mientras que solo una pequeña fracción que requiere manejo complejo sufre un alineamiento completo.

Contribuciones Clave

• Primer Remapeador Exhaustivo de BAM a BAM: AirLift es la primera herramienta que proporciona una solución de extremo a extremo que genera archivos BAM compatibles con herramientas de análisis posteriores (como GATK) para todas las lecturas, incluidas aquellas en regiones retiradas y nuevas.
• Alta Precisión: Al utilizar una tasa de error conservadora de 2e durante la construcción del índice y re-alinear las lecturas en regiones actualizadas, AirLift evita las altas tasas de error asociadas con el simple desplazamiento de coordenadas.
• Velocidad: Reduce significativamente el tiempo de ejecución al evitar el remapeo completo para las lecturas en regiones constantes, que constituyen la mayoría del genoma.

Resultados

Los autores evaluaron AirLift frente a herramientas de remapeo de última generación (CrossMap, LiftOver) y la línea base de remapeo completo utilizando BWA-MEM en genomas de referencia humanos, de C. elegans y de levadura.

• Tiempo de Ejecución: AirLift logra una aceleración de 2.76× a 27.4× en comparación con el remapeo completo. La aceleración es mayor para genomas humanos (hasta 27.4× para hg17→hg38) donde las regiones constantes son grandes, y menor para levadura donde las regiones constantes son más pequeñas en relación con el genoma total.
• Precisión (Detección de Variantes): Utilizando GATK HaplotypeCaller, AirLift demuestra precisión y recuperación para la detección de SNP e Indel que es comparable al remapeo completo. Por ejemplo, al remapear lecturas humanas de hg19 a hg38, AirLift logró una precisión del 97.05% y una recuperación del 96.39% para SNP frente a la verdad fundamental, en comparación con 97.73%/99.25% para el mapeo completo.
• Exhaustividad: A diferencia de CrossMap y LiftOver, que omiten porciones significativas de anotaciones (por ejemplo, 4.47% de los genes al levantar hg19 a hg38), AirLift procesa todo el conjunto de lecturas, asegurando que ninguna región genómica sea ignorada.
• Uso de Memoria: El uso máximo de memoria de AirLift es comparable al del remapeo completo (BWA-MEM) porque depende de BWA-MEM para el subconjunto de lecturas en regiones actualizadas, lo cual aún requiere una memoria sustancial.

Significado

El artículo afirma que AirLift es una alternativa viable y de alto rendimiento al remapeo completo para investigadores que actualizan estudios genómicos a nuevas versiones de referencia. Al eliminar la necesidad de volver a ejecutar pipelines computacionalmente costosos desde cero mientras mantiene una alta precisión y exhaustividad, AirLift permite la adaptación rápida de conjuntos de datos genómicos a gran escala a los genomas de referencia más recientes. Esto es particularmente significativo dada la frecuencia creciente de actualizaciones de genomas de referencia y el volumen creciente de datos genómicos, permitiendo a los investigadores mantener análisis actualizados sin costos computacionales prohibitivos. La herramienta es de código abierto y proporciona un flujo de trabajo completo de BAM a BAM, facilitando el análisis posterior inmediato.